代码点(code point)和代码单元(code unit)

Unicode

       是世界通用的字符编码标准。它包括字符集(包含来自世界各国各地的语言、文字)和编码方案(将每个字符唯一映射到一个二进制编码)；比如：总共有 A-Z[字符集] 26个字符，使用0-25来进行编码，即A-0，B-1…[映射关系]。
　　这样以后，0-25每个编码都是一个code point，即码字；如何将这些码字在计算机中表示？[这里我们只是一个很简单的例子，现实中的字符集数量远远大于26，可能需要多个字节序列才能表示。因此就存在在计算机中如何表示的问题]。根据表示方法的不同，又区分为我们常见的UTF-8、UTF-16和UTF-32编码方式。

• UTF-8: 使用变长的字节序列来表示字符；某个字符(对应一个code point)可能使用1-4个字节才能表示；这样1个字节就是一个code unit，即代码单元。代表最小的可用来识别一个合法字符的最小字节数；即一个code point可能由1-4个code unit组成，code unit为一个字节；
• UTF-16：使用变长字节序列来表示字符；某个字符(对应一个code point)可能使用2个或者4个字符来表示；这样2个字节就是一个code unit；因为2个字节序列是最小的能够识别一个code point的单位；即一个code point可能由1-2个code unit组成，code unit为2个字节；
• UTF-32：定长的4个字节表示一个字符；一个code point对应一个4字节的序列，这样4个字符数就是一个code unit。即一个code point由1个code unit组成，code unit为4个字节；

java中的string类

Java JVM中的String类使用的是UTF-16编码方式。
String.length()：方法返回的是字符串中char的字符个数；注意每个字符为2字节长度。
String.codePointCount()：方法返回字符串中的码字个数。一个码字即对应一个Unicode字符。可能为2个字节长度或者4字节长度的。
以上两个方法的返回值可能是不相等的。如果字符串中仅包含基本多语言平面(BMP)的Unicode字符，则两者值相等。否则code point count值是小于length的，因为一个不是BMP的字符，需要两个char(一个代理对，包括前导代理和后尾代理构成)来表示。

char String.charAt(index)：方法返回index位置的字符，注意该index取值是基于length方法的。
int String.codePointAt(index)：方法返回index位置的码字。
以上两个方法一个返回char，一个返回int，两者可能是不相同的。也是因为超出BMP范围的字符需要两个char来表示。